Современное состояние научных исследований и технологий в промышленности
Not a member yet
490 research outputs found
Sort by
Структурно-функціональна модель навчання в комп’ютеризованих системах навчання
Get PDFThe subject matter of the article is the development of a universal structural-functional model of computerized learning systems that integrates learner, learning, and explanation models. This model addresses the task of personalizing the learning process, considering the individual characteristics of the learner, and ensuring long-term knowledge retention. The goal of the work is to develop a universal structural-functional learning system model that combines modern adaptive algorithms, integrates psychological and cognitive aspects, and introduces new approaches to long-term knowledge retention. Special emphasis is placed on the system's flexibility, allowing the adaptation of educational content to each user's needs while considering the dynamics of their development and changes in their level of knowledge. The following tasks were solved in the article: analyzing existing learning models, identifying their limitations, and developing new approaches to building an adaptive learning process. The following methods used are – network and vector models for constructing learning trajectories, graph structures for visualizing educational content, and psychological profiling algorithms. Additionally, knowledge actualization methods were applied to reduce the forgetting rate and optimize the learning process. The following results were obtained – a universal structural-functional model of computerized learning systems was created, integrating the learner model, the learning process model, and the explanation model. This model reflects the structure of the adaptive learning process and the interconnections between its components, enabling the personalization of learning trajectories based on the learner’s knowledge level, motivation, and psychological characteristics. The proposed model represents knowledge using network and vector structures, which allows for the systematization of educational materials, visualization of relationships between concepts, and adaptive management of the learning process.The developed model can be applied to analyze students’ preparedness levels, support adaptive learning strategies, and assess progress. The integration of psychological profiling mechanisms and knowledge renewal algorithms enhances the efficiency of the educational process. Conclusions: The proposed structural-functional model demonstrates its effectiveness in addressing key challenges of personalized and adaptive learning. By integrating psychological profiles, knowledge levels, and advanced algorithms, the model enables the creation of scalable and intelligent educational systems. It facilitates personalized learning, effective assessment, and targeted feedback while ensuring long-term knowledge retention and fostering innovation in modern educational technologies.Предметом статті є розроблення універсальної структурно-функціональної моделі комп’ютеризованих систем навчання, яка інтегрує моделі студента, навчального процесу та пояснення. Ця модель виконує завдання персоналізації процесу навчання, уваги на індивідуальних особливостях студента та забезпечення довгострокового збереження знань. Мета роботи – розроблення універсальної структурно-функціональної моделі системи навчання, яка поєднує сучасні адаптивні алгоритми, інтегрує психологічні та когнітивні аспекти, а також упроваджує нові підходи до довгострокового збереження знань. Особливу увагу зосереджено на гнучкості системи, що дає змогу адаптувати навчальний контент до потреб кожного окремого користувача, зважаючи на динаміку його розвитку та зміну рівня знань. У статті розв’язано такі завдання: аналіз наявних моделей навчання, виявлення їх обмежень та розроблення нових підходів для побудови адаптивного навчального процесу. Упроваджено такі методи: мережні та векторні моделі для побудови траєкторій навчання, графові структури для візуалізації навчального контенту, алгоритми психологічного профілювання. Крім того, застосовано методи актуалізації знань для оптимізації навчання та зниження рівня забування. Досягнуті результати: створено універсальну структурно-функціональну модель комп’ютеризованих систем навчання, яка інтегрує модель суб’єкта навчання, модель навчального процесу та модель пояснення. Модель відтворює структуру адаптивного навчального процесу та взаємозв’язки між його компонентами, що дає змогу персоналізувати навчальні траєкторії з огляду на рівень знань, мотивацію та психологічні особливості суб’єкта навчання. Запропонована модель подає знання за допомогою мережних і векторних структур, що дає змогу систематизувати навчальний матеріал, візуалізувати зв’язки між поняттями та підтримувати адаптивне управління навчальним процесом. Розроблена модель може застосовуватися для аналізу рівня підготовки студентів, підтримки адаптивних стратегій навчання та оцінювання прогресу. Інтеграція механізмів психологічного профілювання та алгоритмів оновлення знань сприяє підвищенню ефективності освітнього процесу. Висновки: запропонована структурно-функціональна модель демонструє ефективність у розв’язанні ключових завдань персоналізованого та адаптивного навчання. Інтегруючи психологічні профілі, рівні знань та вдосконалені алгоритми, модель допомагає створювати масштабовані та інтелектуальні освітні системи, здійснювати персоналізоване навчання, ефективне оцінювання та цілеспрямований зворотний зв’язок, забезпечуючи довгострокове збереження знань і сприяючи інноваціям у сучасних освітніх технологіях
Організація програмних і нейромережевих алгоритмів машинного аналізу текстових повідомлень, поданих природною мовою
Get PDFThe article addresses the problem of organizing software and neural network algorithms for natural language processing. Given the rapid growth of information flows and the limitations of computational resources, optimizing methods for processing short, unstructured messages and complex structured documents has become especially urgent. This study aims to develop a comprehensive method for organizing computer-aided analysis of text data, ensuring a balance between the accuracy of results and the efficiency of computational resource use. The research systematically examines modern approaches to tokenization, clustering, semantic-relevant search, and deep learning architectures, with particular attention to their adaptability under resource-constrained conditions. A multilevel methodology is suggested, combining the preliminary classification of text arrays, semantic clustering, and the use of a Bidirectional LSTM neural network model. Practical implementation of the method was tested through an automated text analysis application, demonstrating stable reduction in the loss function and acceptable resource consumption. The ability to adapt to different types of text data, reduced resource consumption while maintaining high-quality analysis, and suitability for deployment in environments with low computing capacity should be considered the main advantages of the developed approach. The scientific novelty of the article is substantiated by the integration of semantic-relevant clustering and lightweight deep learning techniques into a single optimized framework. The practical value of the study is the possibility of applying the proposed methodology in real-world information systems where limited hardware capabilities require efficient and adaptive text processing solutions.У статті розглянуто питання організації програмних і нейромережевих алгоритмів машинного аналізу текстових даних, поданих природною мовою. Обґрунтовано актуальність завдання оброблення як стислих текстових повідомлень і відгуків, що потребують швидкого оброблення з мінімальними ресурсними витратами, так і складних структурованих документів, які вимагають збереження структурних характеристик і глибокого контекстного аналізу. Проведено комплексний аналіз сучасних методів машинного оброблення текстової інформації, зокрема токенізації, кластеризації, семантико-релевантного пошуку й застосування нейромережевих архітектур. Особливу увагу приділено підходам, що дають змогу оптимізувати обчислювальні витрати без суттєвого зниження якості результатів аналізу, що є критично важливим для роботи в умовах обмежених ресурсів. На основі аналізу розроблено багаторівневу методику організації машинного аналізу текстових даних. Методика передбачає попередню класифікацію текстових масивів за типами документів, групування текстів методом кластеризації для підвищення релевантності оброблення та застосування нейромережевих моделей глибокого навчання. Для глибокого аналізу текстової інформації реалізовано архітектуру на основі двонаправленої рекурентної нейронної мережі (Bidirectional LSTM) із використанням регуляризації Dropout та механізмів раннього припинення навчання. З метою практичної перевірки запропонованої методики розроблено застосунок для автоматизованого аналізу стислих текстових повідомлень природною мовою. Подано результати навчання моделі, побудовано графіки динаміки зміни функції втрат на тренувальних і валідаційних вибірках, розроблено матриці помилок та візуалізацію результатів прогнозування. Продемонстровано стабільне зниження функції втрат без суттєвого збільшення обчислювальних витрат системи. Запропонована методика може бути застосована в інформаційних системах різного призначення для автоматизованого оброблення текстових повідомлень у режимах з обмеженими ресурсами, а також має перспективи подальшого розвитку в напрямі аналізу мультимодальних даних і впровадження в реальні інформаційно-аналітичні комплекси
Моделі класифікатора передумов виникнення ДТП для передбачення небезпечних ситуацій на перехрестях
Get PDFThe subject matter: this study focuses on the preconditions for the occurrence of road traffic accidents at intersections and areas with limited visibility; the use of computer vision models for classifying the preconditions of road traffic accidents and evaluating the effectiveness of their use in real-time operation. The goal of the study is to compare computer vision models for the task of classifying the preconditions of traffic accidents for real-time operation. The study involves comparing models using the Jetson TX2 platform and determining the effectiveness of this approach for generating real-time warning signals for drivers. Tasks: explore computer vision models such as Detectron2 and YOLOv7 for the task of classifying traffic accident preconditions in terms of model performance, ease of dataset creation, model training, and deployment. Compare YOLOv8 and DetectNet_v2 on a single-board computer Jetson TX2 in terms of processing speed. The methods used include training and using machine learning models, as well as simulating hazardous situations using software such as BeamNG.tech and CARLA. A comparative analysis of the application results of the models was conducted using performance evaluation metrics. The main results of the study include identifying the most effective model for classification tasks on the Jetson TX2 single-board computer – DetectNet_v2; a positive evaluation of the effectiveness of this approach for real-time driver warning, although certain limitations were noted regarding the size of the training dataset and the complexity of its preparation. Conclusions. The following computer vision algorithms were examined: Detectron2, YOLOv7, and DetectNet_v2. It was found that YOLOv7 outperforms Detectron2 in detecting the preconditions of traffic accidents in images. However, DetectNet_v2 was found to be better suited for deployment on the Jetson TX2 single-board computer compared to YOLOv7. Additionally, based on experimental findings, it was concluded that the application of this approach to predicting accident preconditions is problematic due to difficulties in creating a training dataset – specifically, the variability of precondition scenarios.Предметом статті є передумови виникнення дорожньо-транспортних пригод на перехрестях та ділянках з обмеженою видимістю; використання моделей комп’ютерного зору для завдань класифікації передумов виникнення ДТП і визначення ефективності їх застосування для роботи в режимі реального часу. Мета дослідження – порівняння моделей комп’ютерного зору для завдання класифікації передумов виникнення ДТП для роботи в режимі реального часу; порівняння моделей з використанням платформи Jetson TX2; визначення ефективності роботи зазначеного підходу з метою створення сигналів для водія про небезпеку в режимі реального часу. Завдання: дослідження моделей комп’ютерного зору Detectron2, YOLOv7 для завдання класифікації передумов ДТП на зображенні в розрізі швидкодії моделей, зручності створення набору даних, тренування моделей та їх використання; порівняння YOLOv8 і DetectNet_v2 на одноплатному комп’ютері Jetson TX2 у розрізі швидкодії. Методи дослідження: тренування та використання моделей машинного навчання та методи моделювання небезпечних ситуацій за допомогою програмного забезпечення BeamNG.tech, CARLA; порівняльний аналіз результатів застосування моделей із застосуванням метрик для оцінювання їх ефективності. Основними результатами дослідження є виявлення найбільш ефективної моделі для завдань класифікації на одноплатному комп’ютері Jetson TX2-DetectNet_v2; позитивна оцінка ефективності використання запропонованого підходу для попередження водія про небезпеку в режимі реального часу, проте з огляду на розмір навчального набору даних та складність його підготовки. Висновки. Розглянуто алгоритми комп’ютерного зору, зокрема Detectron2, YOLOv7 та DetectNet_v2. Виявлено, що модель YOLOv7 є кращою порівняно з Detectron2 для завдання виявлення передумов ДТП на зображенні, проте зі свого боку DetectNet_v2 є більш ефективним для застосування на одноплатному комп’ютері Jetson TX2, якщо порівнювати з YOLOv7. Додатково на підставі експериментів з’ясовано, що застосування окресленого підходу для передбачення передумов ДТП є проблематичним через складнощі у створенні навчального набору даних – варіативність сценаріїв передумов
Дослідження ефективності віртуалізаційних рішень для розгортання цифрових двійників у системах з обмеженими ресурсами
Get PDFThe subject matter of the article is the means and approaches to virtualization in environments with limited resources, in particular on single-board computers, as well as their ability to ensure the effective operation of digital twins. The goal of the work is to evaluate the effectiveness of virtualization for deploying digital twins on single-board computers and develop recommendations for virtualization usage in environments with limited computing resources. The following tasks were solved in the article: analysis of modern hardware solutions for single-board computers and existing virtualization technologies; construction of an experimental environment for practical comparison of virtualization technologies on single-board computers; implementation of an application load that simulates the operation of a digital twin with real sensor data; study of the efficiency of network interaction between virtual environments and the host system; comparison of results by key metrics. The following methods used are: virtualization technologies Docker, QEMU, Firecracker; network monitoring; thorough analysis of literature and available documentation on the topic; comparative analysis of the achieved results. The following results were obtained: a comparative experiment using Docker, QEMU and Firecracker based on Raspberry Pi 4 was carried out; thorough analysis of literature and available documentation on the topic was conducted; a basic prototype of a digital twin with the connection of physical sensor devices that collect telemetry data in real time was implemented; phased automatic deployment of virtual environments with pre-configured components was provided for rapid scaling of the experiment; network delays, message processing time and platform resource usage were measured; the advantages and limitations of virtualization technologies in conditions of limited computing resources were determined; the practical feasibility of using each type of virtualization in conditions of limited computing resources was assessed. Conclusions: Docker provides the easiest deployment and highest efficiency, but has less isolation compared to QEMU and Firecracker; Firecracker demonstrates the optimal balance between performance, security, and resource consumption on single-board computers; QEMU has the highest overhead, and therefore the lowest efficiency; the use of lightweight hypervisors is advisable in digital twin systems on peripheral devices.
Предметом дослідження є засоби та підходи до віртуалізації в середовищах з обмеженими ресурсами, зокрема на одноплатних комп’ютерах, а також їх здатність забезпечувати якісну роботу цифрових двійників. Мета статті – оцінити ефективність віртуалізації для розгортання цифрових двійників на одноплатних комп’ютерах і розробити рекомендації щодо впровадження віртуалізації в середовищах з обмеженими обчислювальними ресурсами. У статті визначено такі завдання: аналіз сучасних апаратних рішень одноплатних комп’ютерів і наявних технологій віртуалізації; побудова експериментального середовища для практичного порівняння технологій віртуалізації на одноплатних комп’ютерах; реалізація прикладного навантаження, що імітує роботу цифрового двійника з реальними сенсорними показниками; дослідження ефективності мережної взаємодії між віртуальними середовищами та хост-системою; порівняння результатів за ключовими метриками. Упроваджено такі методи: технології віртуалізації Docker, QEMU, Firecracker; мережний моніторинг. Досягнуті результати: проведено порівняльний експеримент з використанням Docker, QEMU та Firecracker на базі Raspberry Pi 4; проаналізовано літературу та доступну документацію з окресленого питання; реалізовано базовий прототип цифрового двійника з під’єднанням фізичних сенсорних пристроїв, що збирають телеметричні показники в реальному часі; забезпечено поетапне автоматичне розгортання віртуальних середовищ із попередньо налаштованими компонентами для швидкого масштабування експерименту; проведено вимірювання мережних затримок, часу оброблення повідомлень та використання ресурсів платформи; визначено переваги та недоліки технологій віртуалізації в умовах обмежених обчислювальних ресурсів; оцінено практичну доцільність застосування кожного типу віртуалізації в умовах обмежених обчислювальних ресурсів. Висновки: Docker забезпечує найпростіше розгортання та найбільшу ефективність, але має меншу ізоляцію, якщо порівнювати з QEMU та Firecracker; Firecracker демонструє оптимальний баланс між продуктивністю, безпекою та споживанням ресурсів на одноплатних комп’ютерах; QEMU має найбільші накладні витрати, а тому й найменшу ефективність; використання легковагових гіпервізорів є доцільним у системах цифрових двійників на периферійних пристроях
Виявлення компромісів між справедливістю, стабільністю і точністю для відповідального вибору моделі машинного навчання
Get PDFThe subject of the study in the article is the process of machine learning model selection performed by data scientists to build models in critical areas. The purpose of the work: 1) create a software library for measuring the accuracy, stability, and fairness of models; 2) conduct experiments to identify trade-offs between fairness, stability, and accuracy; 3) propose a responsible model selection process to improve the safety of using machine learning models. The article provides for the following tasks: to measure the fairness and stability of machine learning models and to investigate their relationship with the accuracy of models. The following methods are introduced: empirical evaluation, the theory of decomposition of model error into bias and variance, the theory of algorithmic fairness, and methods for quantitative assessment of uncertainty. Results achieved: 1) low predictive variability is proposed as a desirable property to ensure safety and equality of variability between different social groups as a new metric of fairness of machine learning models; 2) it is demonstrated how stability analysis helps specialists overcome the challenges of model multiplicity and choose reliable, stable and fair models; 3) an open-source software framework for community use is created that integrates stability measurements into model development processes. Conclusions. This work proposes a new paradigm of group fairness that combines the issues of correctness/quality and randomness/stability from the research agenda of responsible artificial intelligence. The application of the proposed approaches helps in the responsible selection of machine learning models under conditions of model multiplicity, demonstrating that, although there may be many models with comparable accuracy, there is only one (or a few) "best" model that is reliable, fair and stable, as it should be.Предметом дослідження в статті є процес вибору моделі машинного навчання, що виконується дата-саєнтистами для побудови моделей у критично важливих сферах. Мета роботи: 1) створити програмну бібліотеку для вимірювання точності, стабільності та справедливості моделей; 2) провести експерименти для виявлення компромісів між справедливістю, стабільністю і точністю; 3) запропонувати відповідальний процес вибору моделей для підвищення безпеки використання моделей машинного навчання. У статті передбачено розв’язати такі завдання: виміряти справедливість і стабільність моделей машинного навчання та дослідити їх взаємозв’язок з точністю моделей. Упроваджено такі методи: емпіричне оцінювання, теорія розкладання помилки моделі на упередження та дисперсію, теорія алгоритмічної справедливості та методи кількісного оцінювання невизначеності. Досягнуті результати: 1) запропоновано низьку передбачувальну мінливість як бажану властивість для забезпечення безпеки та рівність варіативності між різними соціальними групами як нову метрику справедливості моделей машинного навчання; 2) продемонстровано, як аналіз стабільності допомагає фахівцям долати виклики множинності моделей і обирати надійні, стійкі та справедливі моделі; 3) створено програмний фреймворк з відкритим кодом для використання спільнотою, який інтегрує вимірювання стабільності у процеси розроблення моделей. Висновки. У цій роботі запропоновано нову парадигму групової справедливості, що об’єднує питання правильності / якості та випадковості / стабільності з порядку денного досліджень відповідального штучного інтелекту. Застосування запропонованих підходів допомагає у відповідальному виборі моделей машинного навчання за умов множинності моделей, демонструє, що, хоча може існувати чимало моделей із зіставною точністю, є лише одна (або декілька) "найкраща" модель, що є надійною, справедливою і стабільною, як це й потрібно
Метод K-середніх для аналізу даних з організації пасажирських перевезень у розумному місті
Get PDFEvery year, big data clustering methods are gaining popularity for decision-making on organizing passenger transportation in a smart city, ensuring the efficiency, adaptability and environmental friendliness of the transport system. Their relevance is due to the growth of data volumes, changing demand and the negative impact of transport on the environment. The object of the study is the process of clustering data sets on organizing passenger transportation. The subject of the study is the principles of studying clustering metrics when calculating the number of clusters for executing transportation schedules. The purpose of the study is to apply the K-means algorithm based on quality metrics for clustering data on organizing passenger transportation in a smart city. The following tasks are solved in the article: study of the features of clustering methods and their metrics; analysis of a large-scale heterogeneous data set on the duration of electric transport trips in an average-sized city; development of an effective algorithm for choosing a method for calculating the number of clusters based on metrics for assessing the quality of data clustering. The methods of analysis, synthesis, generalization, comparison, grouping, cluster analysis, system analysis, K-means method were used. The following results were obtained: It was established that the choice of the clustering method depends on the specifics of the task, data characteristics and the objectives of the analysis of transport flows. A complex, heterogeneous and raw data structure was revealed regarding the duration of electric transport journeys. Cluster analysis using the K-means method was due to the need for accurate data distribution between clusters. An algorithm for choosing a method for calculating the number of clusters based on metrics for assessing the quality of data clustering, including the elbow method, the silhouette method and the Kalinsky–Kharabash index, was proposed. It is recommended to use clustering to create routes with reduced waiting time, fewer transfers and compliance with passenger needs. Conclusions: the K-means method was used to analyze the duration of electric transport journeys. Data analysis revealed sections of routes with different traffic flow intensity, which depends on their location in urban areas, seasonality, etc. An algorithm for choosing a method for calculating the number of clusters based on internal metrics is proposed.Щороку методи кластеризації великих даних набувають популярності в прийнятті рішень з організації пасажирських перевезень у розумному місті, забезпечуючи ефективність, адаптивність і екологічність транспортної системи. Актуальність зазначених методів зумовлена зростанням обсягів даних, зміною попиту та негативним впливом транспорту на довкілля. Об’єктом дослідження є процес кластеризації масивів даних з організації пасажирських перевезень. Предмет дослідження – засади вивчення метрик кластеризації в процесі обчислення кількості кластерів виконання графіків перевезень. Мета роботи полягає в застосуванні з огляду на метрики якості методу K-середніх для кластеризації даних з організації пасажирських перевезень у розумному місті. Для досягнення мети необхідно виконати такі завдання: дослідити особливості методів кластеризації та їх метрик; проаналізувати масштабний неоднорідний набір даних щодо тривалості перегонів електротранспортом у середньому за розмірами міста; розробити ефективний алгоритм вибору методу обчислення кількості кластерів на основі метрик оцінювання якості кластеризації даних. Упроваджено методи аналізу, синтезу, узагальнення, порівняння, групування, кластерного аналізу, системного аналізу, метод K-середніх. Досягнуті результати. Установлено, що вибір методу кластеризації залежить від особливостей завдання, характеристик даних і цілей аналізу транспортних потоків. Виявлено складну, неоднорідну й необроблену структуру даних щодо тривалості перегонів електротранспортом. Кластерний аналіз методом K-середніх зумовлено потребою в точному розподілі даних між кластерами. Запропоновано алгоритм вибору методу обчислення кількості кластерів на основі метрик оцінювання якості кластеризації даних, серед яких метод ліктя, метод силуету та індекс Калінського – Харабаша. Рекомендовано застосовувати кластеризацію для створення маршрутів із скороченим часом очікування, меншою кількістю пересадок та відповідністю до потреб пасажирів. Висновки. Метод K-середніх використано для аналізу тривалості виконання перегонів електротранспортом. Аналіз даних виявив ділянки маршрутів із різною інтенсивністю транспортних потоків, що залежить від сезонності, їх розташування в міських зонах тощо. Запропоновано алгоритм вибору методу обчислення кількості кластерів на основі внутрішніх метрик
Методика побудови довірчої маршрутизації в ройових мережах БПЛА на основі аналізу трафіку та виявлення аномалій
Get PDFSubject matter. the subject of the research is the process of ensuring secure routing and data exchange among unmanned aerial vehicles (UAVs) within swarm networks under cyber threat conditions, particularly Black Hole-type attacks. Goal. The purpose of this study is to develop and simulate a secure information transmission mechanism for UAV swarm networks that takes into account node trust levels and enables the identification of malicious participants based on behavioral analysis. The study also aims to establish a methodology for secure and energy-efficient routing in FANETs based on blockchain technologies and trust evaluation models, ensuring cyber resilience, data integrity, and minimal resource usage. Tasks the following objectives were addressed during the research. Conduct a comprehensive analysis of vulnerabilities in traditional routing protocols used in FANETs to identify potential threats to information security: justify the use of trust-based mechanisms to improve routing resilience against internal attacks; implement a Black Hole attack model within the NS-3 simulation environment to analyze its impact on swarm network performance; develop a mechanism for counting forwarded packets per node as a foundation for a trust evaluation system among agents; visualize simulation results to support analysis and comparison of proposed methods. Methods: the research employs simulation modeling of FANETs in NS-3.36, using the RandomWaypoint mobility model and the AODV routing protocol. Methods include statistical analysis of packet forwarding metrics and graphical representation of trust metrics. The developed code simulates the Black Hole attack by manipulating the NetDevice layer and logs all transmitted packets in CSV format for post-processing. A combination of simulation tools, analytical analysis, and visualization techniques was applied to evaluate system performance under dynamic conditions. Results. The results demonstrate the effectiveness of the proposed approach in detecting malicious nodes within the swarm network. Trust metrics revealed anomalous attacker behavior, such as the absence of packet forwarding, distinguishing them from normal nodes. This allows for timely identification and exclusion of threats from the routing process. Graphical visualization clearly displays node activity distribution, facilitating result interpretation without the need for in-depth log analysis. Conclusions. The proposed trust-based mechanism, combined with node activity analysis, effectively protects FANET networks against Black Hole attacks. Future improvements may include integrating more advanced trust assessment methods, such as multifactor analysis, blockchain, or machine learning. Developing adaptive routing algorithms capable of autonomously isolating or excluding suspicious nodes is also recommended.Предметом дослідження є процеси забезпечення безпечної маршрутизації та обміну даними між безпілотними літальними апаратами в складі ройових мереж в умовах дії кіберзагроз, зокрема атак типу Black Hole. Мета роботи – розроблення та моделювання захищеного механізму передачі інформації в ройових мережах БПЛА, що зважає на рівень довіри до вузлів та можливість виявлення шкідливих учасників мережі на основі аналізу їх поведінки. Дослідження також спрямовано на розроблення методики захищеної та енергоефективної маршрутизації в ройових мережах безпілотних літальних апаратів на основі блокчейн-технологій і моделей оцінювання довіри. Запропонована методика забезпечує стійкість до кіберзагроз, збереження цілісності інформації та мінімізацію витрат ресурсів. Завдання, які передбачено розв’язати в дослідженні: здійснити комплексний аналіз вразливостей традиційних протоколів маршрутизації, що застосовуються в ройових мережах БПЛА (FANET), з метою виявлення потенційних загроз інформаційній безпеці; обґрунтувати доцільність використання механізмів оцінювання довіри (trust-based mechanisms) як засобу підвищення надійності та стійкості маршрутизації до внутрішніх атак; реалізувати модель атаки типу Black Hole в симуляційному середовищі NS-3 для дослідження її впливу на функціювання ройової мережі; розробити механізм обліку кількості переданих пакетів кожним вузлом як базовий інструмент для побудови системи оцінювання довіри між агентами мережі; здійснити візуалізацію результатів моделювання для забезпечення наочності, подальшого аналізу й порівняння ефективності запропонованих рішень. Методи, використані в дослідженні, передбачають моделювання мережі FANET у симуляторі NS-3.36, застосування мобільної моделі RandomWaypoint, протоколу маршрутизації AODV, статистичного аналізу показників передачі пакетів вузлами та побудову графічної інтерпретації довірчих метрик. Розроблений код реалізує атаку Black Hole внаслідок утручання на рівні NetDevice та забезпечує логування всіх переданих пакетів у вигляді CSV-файлу для подальшого аналізу. У дослідженні використано комплекс методів, що поєднують інструменти симуляційного моделювання, аналітичного аналізу та візуалізації. Основу експериментального середовища становить моделювання ройової мережі БПЛА (FANET) у симуляторі NS-3.36 із застосуванням мобільної моделі RandomWaypoint, яка відтворює характерну поведінку вузлів у динамічному середовищі. Для організації маршрутизації використано протокол Ad hoc On-Demand Distance Vector (AODV), що дає змогу дослідити вплив внутрішніх атак на процес побудови маршрутів у мережі. Модель атаки Black Hole реалізовано способом втручання у процес обміну маршрутною інформацією, що допомагає симулювати шкідливу поведінку вузлів. Результати. Дослідження довело ефективність запропонованого підходу до встановлення зловмисників у ройовій мережі. Метрики виявили нетипову активність вузла, який атакує, відсутність передачі пакетів, що відрізняється від поведінки звичайних вузлів. Це сприяє оперативному виявленню загроз і вилученню зловмисника з маршрутизації. Графічна візуалізація чітко демонструє розподіл активності між вузлами, що спрощує інтерпретацію результатів без потреби в глибокому аналізі логів. Висновки. Запропонований trust-механізм у поєднанні з аналізом активності вузлів ефективно захищає FANET-мережі від атак типу Black Hole. Перспективним є розширення моделі внаслідок упровадження більш складних методів оцінювання довіри, таких як багатофакторний аналіз, блокчейн чи машинне навчання. Також доцільно розробити адаптивні алгоритми маршрутизації з автоматичним вимкненням або ізоляцією підозрілих вузлів
Розроблення інтелектуальної системи раннього виявлення патологій зору на основі аналізу мікрорухів очей
Get PDFThe subject of the research is the development and implementation of an eye health monitoring system using modern technologies, in particular wireless sensor networks, biometric sensors and software for automatic detection of vision diseases. Special attention is paid to methods of processing and analyzing data from sensors for accurate diagnosis of pathologies such as cataracts, glaucoma, diabetic retinopathy and other eye diseases. The aim of the work is to create a system that allows detecting visual impairments in real time, performing automatic diagnostics and providing treatment recommendations. The system integrates with a mobile application and can work together with other medical devices to facilitate patient-doctor interaction. The tasks solved in the article: 1) develop a system for collecting and monitoring eye health data; 2) create algorithms for processing and analyzing the obtained data; 3) develop a mobile application; 4) test the developed system. Methods used in the study: data analysis from biometric sensors, algorithms for automatic comparison of indicators with a database of normal and pathological values, and wireless data transmission technologies (Bluetooth, Wi-Fi). The developed database and software provide secure storage and analysis of medical data. Results. The results of the study showed that the system allows monitoring the state of vision in real time with high accuracy (85–90%), detecting pathologies in the early stages and automatically notifying the patient and doctor about detected deviations. The system demonstrates effectiveness in early detection of diseases and allows for timely prescribing of treatment or additional examinations. Conclusions. The developed system is an important step towards integrating medical technologies into everyday life. It provides timely detection of vision disorders and convenient access to monitoring results. In the future, it is possible to expand the functions to detect other eye diseases and integrate with additional medical devices for comprehensive monitoring of the patient's health.Предметом дослідження є розроблення та впровадження системи моніторингу стану здоров’я очей за допомогою сучасних технологій, зокрема бездротових сенсорних мереж, біометричних датчиків і програмного забезпечення для автоматичного виявлення захворювань зору. Особливу увагу приділено методам оброблення та аналізу показників із сенсорів для точної діагностики патологій, таких як катаракта, глаукома, діабетична ретинопатія тощо. Мета роботи – створення системи, яка дає змогу виявляти порушення зору в реальному часі, здійснювати автоматичну діагностику й надавати рекомендації щодо лікування. Система інтегрується з мобільним застосунком і може працювати разом з іншими медичними пристроями для полегшення взаємодії пацієнта й лікаря. Завдання, які необхідно виконати в статті: 1) розробити систему для збору й моніторингу інформації про стан здоров’я очей; 2) створити алгоритми оброблення й аналізу отриманої інформації; 3) розробити мобільний застосунок; 4) протестувати запропоновану систему. Методи, що застосовуються в дослідженні: аналіз інформації з біометричних сенсорів, алгоритми автоматичного порівняння показників з базою нормальних і патологічних значень та бездротові технології передачі даних (Bluetooth, Wi-Fi). Розроблена база даних і програмне забезпечення сприяють захищеному збереженню й аналізу медичних показників. Досягнуті результати. Дослідження продемонструвало, що система дає змогу контролювати стан зору в реальному часі з високою точністю (85–90 %), виявляти патології на ранніх стадіях і автоматично сповіщати пацієнта й лікаря про виявлені відхилення. Система демонструє ефективність у ранньому виявленні хвороб і дає змогу вчасно призначати лікування або додаткові обстеження. Висновки. Розроблена система є важливим кроком до інтеграції медичних технологій у повсякденне життя. Вона забезпечує вчасне виявлення порушень зору й зручний доступ до результатів моніторингу. У майбутньому можливе розширення функцій для виявлення інших захворювань очей та інтеграція з додатковими медичними пристроями для комплексного моніторингу здоров’я пацієнта
Застосування технологій обчислювального інтелекту в задачах кластеризації бездротових сенсорних мереж
Get PDFThe subject matter of the study is the process of selecting the head node of a cluster in wireless sensor networks (WSNs) using intelligent approaches that can adapt to changing environmental conditions. WSNs consist of a large number of sensor nodes with that collect, process and transmit data. Effective clustering is one of the main mechanisms for optimizing the operation of WSNs, as it allows reducing energy consumption, increasing network reliability and scalability. The goal of the study is to analyze the features of using modern computational intelligence tools and methods to increase the efficiency of the sensor node clustering process, which allow taking into account a variety of factors when making decisions about cluster formation and selecting head nodes. Traditional clustering algorithms are not always able to adapt to changes in network parameters, especially in the presence of heterogeneous nodes or changes in topology. In this regard, methods based on computational intelligence, in particular genetic algorithms, neural networks, fuzzy logic, as well as hybrid approaches, are becoming increasingly relevant. These methods allow taking into account a number of parameters when forming clusters and selecting cluster heads. Tasks of the study are analysis of existing approaches to clustering in BSM; development of a clustering fuzzy inference system; construction of a rule base for making optimal decisions; experimental verification of the proposed system. Methods of the study are tools of computational intelligence, in particular neural network learning, genetic optimization and fuzzy control, as well as computer modeling. The article analyzes the advantages of using each of the existing approaches. Results are: a structure of the fuzzy inference system was developed, input and output variables were determined, a database of fuzzy rules and membership functions was formed. The operation of the fuzzy system was simulated in the MATLAB environment. The developed system was also optimized and its operation validated. Conclusions: the use of hybrid intelligent approaches has significant advantages for solving clustering problems in BSM, which may indicate the prospects for further development of systems capable of functioning effectively in conditions of limited resources and high environmental complexity.Предметом дослідження є процес вибору основного вузла кластера в бездротових сенсорних мережах (БСМ) із використанням інтелектуальних підходів, здатних адаптуватися до мінливих умов середовища. БСМ містять значну кількість сенсорних вузлів, що збирають, обробляють і передають інформацію. Ефективна кластеризація є одним із важливих механізмів оптимізації роботи БСМ, адже дає змогу зменшити енергоспоживання, підвищити надійність і масштабованість мережі. Метою роботи є аналіз особливостей застосування сучасних інструментів і методів обчислювального інтелекту для підвищення ефективності процесу кластеризації сенсорних вузлів, що допомагає брати до уваги множину факторів у прийнятті рішень про формування кластерів і обрання основних вузлів. Традиційні алгоритми кластеризації не завжди здатні адаптуватися до змін у параметрах мережі, особливо за наявності неоднорідних вузлів або змін у топології. У зв’язку з цим усе більшої актуальності набувають методи, основані на обчислюваному інтелекті, зокрема генетичні алгоритми, нейронні мережі, нечітка логіка, а також гібридні підходи. Ці методи дають змогу зважати на низку параметрів у процесі формування кластерів та вибору їх основних вузлів. Завдання дослідження: аналіз наявних підходів до кластеризації в БСМ; розроблення нечіткої системи кластеризації; побудова бази правил для прийняття оптимальних рішень; експериментальна перевірка запропонованої моделі. Застосовані методи: інструменти обчислювального інтелекту, зокрема нейромережеве навчання, генетична оптимізація та нечітке управління, комп’ютерне моделювання. У статті проаналізовано переваги використання кожного з наявних підходів. Результати: розроблено структуру нечіткої системи логічного висновку; визначено вхідні та вихідні змінні; сформовано базу нечітких правил і функцій належності; змодельовано роботу системи в середовищі MATLAB; оптимізовано розроблену систему й валідацію її роботи. Висновки: застосування гібридних інтелектуальних підходів має суттєві переваги для розв’язання задач кластеризації в БСМ, що може свідчити про перспективи подальшого розвитку систем, здатних ефективно функціювати в умовах обмежених ресурсів і високої складності середовища
Зважена метрика чутливості для прогнозування затримки в KAFKA-кластері
Get PDFThe subject of this article is sensitivity analysis methods used to assess how variations in input parameters affect the output results of a model or system. The aim of the study is to develop a new approach to sensitivity analysis that combines classical parameter impact assessment methods (Morris and Sobol methods) with metrics that capture structural changes in the distribution of output data (Euclidean distance, Hellinger distance, Jensen divergence). This approach allows for evaluating the influence of a parameter not only in terms of the amplitude of its effect, but also in terms of changes in the shape and structure of the probability distribution of the results. To achieve this objective, the article addresses the following tasks: formal definition of a new sensitivity analysis approach; development of a Bayesian network for modeling end-to-end latency in a Kafka cluster; performing sensitivity analysis using the proposed approach; and conducting an experimental study using the calculated parameter influence weights to initialize the weight matrix of a neural network that predicts Kafka cluster latency based on selected configuration parameters. To accomplish these tasks, the study applied methods from the theory of experiments, Euclidean geometry, statistical distribution theory, information theory, machine learning, Bayesian statistics, and graph theory. Results: To evaluate the effectiveness of the proposed approach, comparative training of a neural network was conducted using various weight initialization strategies. Analysis of the loss function, constructed using the mean squared error minimization criterion, showed that the lowest values were achieved by the model initialized with weights obtained using the proposed parameter influence estimation approach. Conclusions: The study proposes a novel approach to sensitivity analysis. The innovation lies in integrating the strengths of both causal-oriented and variance-based methods within a unified weighted sensitivity metric. The practical value of this approach is that its application in sensitivity analysis or neural network weight initialization improves the accuracy of parameter impact assessment, enhances model convergence, and reduces training time.Предметом дослідження є комбінований підхід до аналізу чутливості для комплексного оцінювання впливу конфігураційних параметрів Kafka-кластера на кінцеву затримку в системах потокового оброблення інформації. Мета роботи – розроблення нового підходу до аналізу чутливості, що поєднує класичні методи оцінювання впливу параметрів (методи Морріса та Соболя) з метриками, що відтворюють структурні зміни розподілу вихідних даних (евклідова відстань, хеллінгерова відстань, J-дивергенція). Такий підхід дає змогу дослідити вплив параметра не лише з погляду амплітуди його ефекту, а й щодо змін у формі та структурі ймовірнісного розподілу результатів. Для досягнення мети розв’язуються такі завдання: формальне визначення нового підходу до аналізу чутливості; розроблення мережі Баєса для моделювання наскрізної затримки Kafka‑кластера; аналіз чутливості за запропонованим підходом; експериментальне дослідження нового підходу з використанням розрахованих відповідно до нього ваг впливу для ініціалізації матриці ваг нейронної мережі, що прогнозує наскрізну затримку в Kafka-кластері залежно від обраної конфігурації. Для реалізації поставлених завдань у дослідженні впроваджено такі методи: теорія експериментів, евклідова геометрія, статистична теорія розподілів, інформаційна теорія, теорія машинного навчання, баєсівська статистика й теорія графів. Досягнуті результати. Для оцінювання ефективності підходу проведено порівняльне навчання нейронної мережі з різними стратегіями ініціалізації ваг. Аналіз функції витрат, побудованої за критерієм мінімізації середньоквадратичної похибки, продемонстрував, що найменших значень вона досягає саме для моделі, яка була ініціалізована вагами, отриманими за запропонованим підходом до оцінювання впливу параметрів на вихідну змінну моделі. Висновки. У дослідженні запропоновано новий підхід до аналізу чутливості. Новизна підходу полягає в інтеграції переваг як причинно-орієнтованих, так і дисперсійно-оцінних методів у межах єдиної зваженої метрики чутливості. Практична цінність підходу полягає в тому, що його застосування під час аналізу чутливості або ініціалізації матриці ваг нейронної мережі дає змогу підвищити точність оцінювання впливу параметрів, покращити збіжність моделі та скоротити час її навчання